একটি চূড়ান্ত বছরের প্রকল্পে, আমি দুটি পাবলিক ডেটাসেট ব্যবহার করে জালিয়াতি সনাক্তকরণের জন্য ছয়টি মডেল প্রশিক্ষণ দিয়েছি: PaySim (মোবাইল মানি) এবং IEEE-CIS (কার্ড লেনদেন)। উচ্চ নির্ভুলতা অর্জন সত্ত্বেও, সেরা পারফরম্যান্স করা মডেলটি উৎপাদন সীমাবদ্ধতার কারণে স্থাপন করা হয়নি। স্থাপিত মডেলটি শুধুমাত্র তিনটি বৈশিষ্ট্য ব্যবহার করে: লেনদেনের পরিমাণ, ওয়ান-হট এনকোডেড চ্যানেল এবং উৎস ডেটাসেট, কারণ ডেটাসেটগুলিতে সাধারণ ক্ষেত্র ছিল না। ক্লাস ভারসাম্যহীনতা মোকাবেলায় SMOTE প্রয়োজন ছিল, কিন্তু স্থাপনের জন্য একটি ফলব্যাক ইন্টারপোলেশন পদ্ধতি ব্যবহার করা হয়েছিল। প্রকল্পটি অফলাইন মেট্রিক্স এবং বাস্তব-বিশ্ব উৎপাদন সিদ্ধান্তের মধ্যে ব্যবধান তুলে ধরেছে। সেরা মডেল, সম্ভবত XGBoost, অনুশীলনে একটি সহজ মডেলের দ্বারা ছাড়িয়ে গেছে যা ভাল সাধারণীকরণ করেছে। এই অভিজ্ঞতা আমাকে শিখিয়েছে যে মডেল নির্বাচনে স্থাপনের সম্ভাব্যতা বিবেচনা করা উচিত, শুধু পারফরম্যান্স মেট্রিক্স নয়।